復(fù)雜背景下的車(chē)牌自動(dòng)識(shí)別系統(tǒng)

《復(fù)雜背景下的車(chē)牌自動(dòng)識(shí)別系統(tǒng)》由會(huì)員上傳分享，免費(fèi)在線(xiàn)閱讀，更多相關(guān)內(nèi)容在應(yīng)用文檔-天天文庫(kù)。

1、復(fù)雜背景下的車(chē)牌自動(dòng)識(shí)別系統(tǒng)時(shí)間：2009-10-2313:10:01來(lái)源：電子技術(shù)作者：陳梅曲阜師范大學(xué)0引言隨著現(xiàn)代交通的發(fā)展，車(chē)牌自動(dòng)識(shí)別技術(shù)越來(lái)越成為智能交通的重要組成部分。車(chē)牌識(shí)別技術(shù)主要是采用計(jì)算機(jī)圖像處理技術(shù)對(duì)車(chē)牌的圖像進(jìn)行分析，以自動(dòng)提取車(chē)牌信息，確定車(chē)牌號(hào)。一般說(shuō)來(lái)，在車(chē)牌自動(dòng)識(shí)別系統(tǒng)中，處理的關(guān)鍵技術(shù)問(wèn)題是車(chē)牌的定位及字符的分割。對(duì)于車(chē)牌自動(dòng)識(shí)別系統(tǒng)已經(jīng)提出了許多方法，如運(yùn)用多重特征的車(chē)牌定位算法，基于彩色和紋理分析的車(chē)牌定位方法，用神經(jīng)網(wǎng)絡(luò)算法進(jìn)行車(chē)牌自動(dòng)識(shí)別等。針對(duì)通過(guò)攝像頭動(dòng)態(tài)采集到的圖像有可能存在模糊、噪

2、聲干擾等問(wèn)題，我們先用改進(jìn)模糊C-均值聚類(lèi)算法對(duì)采集到的圖像進(jìn)行分割，然后根據(jù)車(chē)牌區(qū)域的特點(diǎn)對(duì)車(chē)牌進(jìn)行定位。車(chē)牌定位后，根據(jù)車(chē)牌中字符的分布特點(diǎn)，對(duì)字符進(jìn)行分割及識(shí)別。對(duì)于采集到的復(fù)雜背景的圖像進(jìn)行實(shí)驗(yàn)后，得到了較理想的車(chē)牌自動(dòng)識(shí)別效果。1車(chē)牌的定位車(chē)牌定位是車(chē)牌識(shí)別系統(tǒng)的核心，它是從一個(gè)復(fù)雜背景的圖像找到車(chē)牌所在的區(qū)域。為了更好對(duì)車(chē)牌加以定位，需先對(duì)采集到的圖像進(jìn)行分割。1．1用改進(jìn)的模糊C-均值聚類(lèi)算法進(jìn)行圖像分割模糊C-均值(FCM)算法是常用的圖像分割方法，它是通過(guò)迭代法優(yōu)化目標(biāo)函數(shù)來(lái)實(shí)現(xiàn)圖像分割的，該算法的不足是收斂速度較

3、慢。為了提高該算法的速度，已提出了不同的改進(jìn)FCM算法，在文獻(xiàn)[5]中，利用分層聚類(lèi)把圖像數(shù)據(jù)分成一定數(shù)量的色彩相近的子集，來(lái)提高FCM算法的計(jì)算速度。該改進(jìn)算法是通過(guò)減少聚類(lèi)樣本來(lái)提高聚類(lèi)的速度的。在FCM算法中，初始聚類(lèi)中心及聚類(lèi)數(shù)目的選取對(duì)算法速度有一定的影響，較好的初始值，有助于提高聚類(lèi)的速度。聚類(lèi)中心與聚類(lèi)數(shù)目與圖像的灰度直方圖的極值點(diǎn)相關(guān)聯(lián)。對(duì)一幅較復(fù)雜的圖像，其灰度直方圖不是連續(xù)的圖形，直方圖中存在很多的毛刺，確定出的極值點(diǎn)一般有很多個(gè)。為了更有效地獲取其極值點(diǎn)，我們對(duì)圖像的灰度值做如下處理，將灰度值為[h，h+n]間

4、的像素的個(gè)數(shù)疊加在一起，其中n為灰度區(qū)間，這可以避免一些像素值較小的極值點(diǎn)出現(xiàn)。通過(guò)處理后的圖像灰度值col[i](其中0≤i≤255)，來(lái)獲得灰度直方圖的極值點(diǎn)。當(dāng)col[i-1]

5、聚類(lèi)的速度，將隸屬度修正公式變?yōu)椋??????在式(1a)，當(dāng)最大隸屬度值uRi大于門(mén)限值β1時(shí)，uRi=1，轉(zhuǎn)為硬C聚類(lèi)算法；當(dāng)uRi小于門(mén)限值β2時(shí)，不修正；當(dāng)β1≥uRj>β2時(shí)，uRj增加為原來(lái)的2-uRj倍，提高其隸屬度。在式(1b)中，將其它隸屬度做相應(yīng)的修改，以滿(mǎn)足???改進(jìn)后的模糊C-均值聚類(lèi)算法的具體操作步驟如下：???(1)對(duì)圖像進(jìn)行灰度處理，獲得灰度值的極值點(diǎn)及個(gè)數(shù)來(lái)初始化聚類(lèi)中心初始聚類(lèi)中心V(0)及聚類(lèi)數(shù)目C，并具體選取ε>0，令迭代次數(shù)k=0。???(2)計(jì)算U（K），如果∨j，r,drj(k)>0，則?

6、??如果存在j,r，使得drj(k)=0，則令urj(k)=1，且i≠r，uij(k)=0。???(3)根據(jù)式(1a)、(1b)，修正隸屬度矩陣U(k)。?????(5)如果

7、

8、V(k)-V(k+1)

9、

10、<ε，則停止，否則令k=k+1，重復(fù)步驟(2)、(3)、(4)、(5)。???對(duì)圖1所示的原始圖像中，處理后的灰度直方圖如圖2所示，獲得的極值點(diǎn)的個(gè)數(shù)(即聚類(lèi)數(shù)目)為4，聚類(lèi)中心灰度值特征量的初始化值分別為(21、66、141、186)。通過(guò)改進(jìn)FCM算法后，獲得分割后的圖像如圖3所示。?1．2車(chē)牌的定位???根據(jù)拍攝到的車(chē)牌圖像的

11、特點(diǎn)，牌照一般是在圖像的下方，且牌照下方多數(shù)是地面，在水平方向上，地面的圖像灰度分布比較均勻；而牌照區(qū)域由于圖像字符的分布，使得圖像灰度值在水平方向上的變化頻率比較大，且變化間隔較均勻。根據(jù)上面的分析，車(chē)牌從下至上來(lái)定位可以避免上面復(fù)雜背景的干擾，縮短定位時(shí)間。圖像不同部分的水平灰度值變化如圖4～7所示，其中圖4是車(chē)牌區(qū)域中字符下邊緣的與上邊緣的水平灰度值的變化(圖中白線(xiàn)所示)，圖5是車(chē)牌區(qū)域外下邊緣與上邊緣的水平灰度值的變化。根據(jù)灰度值的變化便可定位出車(chē)牌的字符區(qū)域，如圖6所示。?2字符的分割???經(jīng)過(guò)圖像分割后的車(chē)牌區(qū)域中，字符

12、與牌照底的內(nèi)部灰度較均勻，而字符與底色在灰度上有較大差異，并且字符間有明顯的間距。根據(jù)這個(gè)特點(diǎn)，將字符區(qū)域中字符像素的個(gè)數(shù)垂直投影來(lái)進(jìn)行字符的分割。設(shè)置一個(gè)閾值T用來(lái)區(qū)分字符與牌照底色，hhi(0≤i